在會員數據化運營和管理模型中，常見的有 會員細分化模型、會員使用價值度模型、會員人氣值模型、會員流失預測分析模型、會員現狀分析模型和 營銷推廣相對應預測分析模型。

會員細分化模型

會員細分模型經常用以總體會員的宏觀經濟性剖析和探尋，常見的細分化模型有：根據特性的方式 ，ABC歸類和聚類分析法。

根據特性的方式 ：會員地區、產品類型、會員類型、會員級別等ABC歸類：ABC是帕累托法則衍化的分類方法。先將總體目標倒序，作出累計百分比，0~0.8是關鍵影響因素，0.8-0.9是主次影響因素，0.9-1是一般影響因素。聚類方法：聚類分析常見的有K平均值和DBSCAN優化算法。

針對K平均值在運用時須要留意數據出現異常值，數據的異常能顯著更改不同之處中間的間距，提早搞好數據解決。此外必須留意數據的出現異常量綱，不一樣的緯度和自變量中間，假如存有數據量綱或是經營規模差別，必須歸一化或是規范化。如訂單金額在1-10W,訂單信息量在1-1000，顯著訂單金額會是聚類分析的關鍵影響因素。優化算法可靠性、高效率和精確性主要表現非常好，算法復雜度是樣本數*聚類分析數*梯度下降法頻次，時間耗費會與樣本數線性增長。可是應對真真正正大量數據（超過100W條，在100w條之內kmeans是比較好的挑選），結果延遲比較嚴重，這時可以應用Mini Batch Kmeans。

針對DBSCAN是根據相對密度的聚類分析，融入數據的遍布樣子更廣，特別是在針對非凸或是圈形，對噪聲、單連通區域過慮效果非常的好。可是針對相對密度轉變大，數據量大的的數據不太好，耗費運行內存，I/O耗費也大。

會員使用價值模型

會員價值度是評定用戶價值，是區別會員使用價值的關鍵模型和參照根據。也是點評營銷推廣作用的核心標準之一。常見的是RFM模型。

RFM模型是會員近期一次訂購的時間，選購頻率和購入額度。經常用于做顧客分群或使用價值區別。運用于國際貿易（交易方式）的會員剖析。

RFM模型根據一個固定不動的時間點做模型剖析，今日做的跟7天內做的很有可能不一樣。

會員人氣值模型

會員活躍度是評定客戶活躍性狀況，是剖析會員情況的基本上模型之一。常見可是RFE模型。

RFE模型是會員近期一次瀏覽時間，瀏覽頻率和網頁頁面互動交流度。在RFE模型中，因為不規定產生買賣，因而可以做未產生登陸、申請注冊等匿名用戶個人行為價值分析還可以做實名認證客戶的剖析。

模型常見來做客戶的使用價值分群和價值區別。

會員流失預測分析模型

會員流失預測模型用于預測分析客戶是不是會流失，是做客戶生命期管理方法的關鍵防止運用。主要因素是界定好處在哪種情況為流失。流失分永久和短暫性。

在解決該模型時，數據樣版一定不是平衡的，針對流失會員的預估結果，獲得幾率輸出可以融合流失預測分析標識一起運用業務流程方可以根據幾率再融合業務流程工作經驗做分辨。

針對參與練習模型的層面自變量挑選，一定要融合業務流程工作經驗，由于業務流程針對特殊情景的判定是危害練習模型和運用結果的主要因素之一。

鍵入數據必須包括轉換前的個人行為數據。

會員流失預警信息模型并不是一次性的，是周期時間行眼界和運作，如每日、每星期，最少每月。

會員現狀分析模型

會員特征分析模型給予的結果可能是模糊不清的，也可能是確立的。

第一種是在沒有早期工作經驗或是特殊總體目標下開啟的，期待根據總體現狀分析會員全景圖片。這時必須先歸類，隨后再根據類型剖析特點 。用以為經營給予進一步業務流程姿勢，一般逐漸于數據工作項目或是業務流程針對數據主題風格先驗缺乏經驗的狀況；

第二種是有確立方位的，期待尋找實現目標時間的會員特點。常見的辦法是歸類和關系。做為為經營下一步姿勢立即接觸點。

營銷推廣回應模型

營銷推廣回應模型是對于活動營銷進行的，選用一般是隨機森林算法，普遍的有邏輯回歸、svm算法，隨機森林等。

根據營銷推廣相對應預測分析模型獲得的結果一般涉及2個方位：

根據模型尋找最有可能形成選購轉換方式的會員特點。如近期一次選購時間在3個月之內、會員級別在3級以上、總訂單金額在3000、訂單信息量超過10的顧客。根據這種標準可以從數據可中挑選對用的會員目錄，并對會員推送活動營銷。

根據模型預測分析很有可能造成的訂單信息轉換總數、轉換率（如挑選超過10W,會出現4000個顧客造成變換化），及其轉換客戶的客單價，隨后用訂單金額*會員量大致算出產生會員能取得的營銷推廣收益。這種信息內容都能夠作為活動營銷方案提報的數據量化指標和資源申請辦理的數據適用。